Quantensimulations- und -analysen mit QuTiP (Quantum Toolbox in Python). Verwenden Sie es bei der Arbeit mit Quantensystemen, einschließlich: (1) Quantenzuständen (Kets, Bras, Dichtematrizen), (2) Quantenoperatoren und -gates, (3) Zeitentwicklung und Dynamik (Schrödinger-, Mastergleichungen, Monte Carlo), (4) offenen Quantensystemen mit Dissipation, (5) Quantenmessungen und -verstrickung, (6) Visualisierung (Bloch-Kugel, Wigner-Funktionen), (7) stationären Zuständen und Korrelationsfunktionen oder (8) fortschrittlichen Methoden (Floquet-Theorie, HEOM, stochastische Lösungen). Verarbeitet sowohl geschlossene als auch offene Quantensysteme in verschiedenen Bereichen, darunter Quantenoptik, Quantencomputing und kondensierte Materiephysik.
DAZU WIRST DU
Perfekt für diese Szenarien
Anweisungen für Sub-Agenten verfeinern, um die Aufgabenausführung und die Ergebnisqualität zu verbessern.
Erstellen Sie wiederverwendbare Prompt-Vorlagen für konsistente LLM-Interaktionen in der Produktion.
Feinabstimmung von Prompts, um genauere, relevantere und kohärentere Antworten zu generieren.
Erstellen Sie Hooks und Fähigkeiten, um repetitive Aufgaben mit präzisen Befehlen zu optimieren.
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Reduzieren Sie die Zeit für das Prompt-Engineering um 90 % mit optimierten Vorlagen.
Verbessern Sie die Relevanz und Genauigkeit von LLM-Antworten um bis zu 50 %.
Automatisieren Sie Workflows mit effizienten Prompts, um die Produktivität zu verdreifachen.
DEIN EQUIPMENT
Dateien, Tags und die Installation in drei Schritten
Tipp: Lies Dokumentation und Code vor der ersten Nutzung, damit du Funktion und benötigte Berechtigungen kennst.
NÄCHSTE SKRIPTE
Empfohlen basierend auf Tags und Kategorie
Greifen Sie auf über 200 Millionen durch KI vorhergesagte Proteinstrukturen von AlphaFold zu. Abrufen von Strukturen per UniProt-ID, Herunterladen von PDB/mmCIF-Dateien, Analyse von Zuverlässigkeitsmetriken (pLDDT, PAE) für die Arzneimittelforschung und Strukturbiologie.
Diese Fähigkeit sollte verwendet werden, wenn mit annotierten Datamatrizen in Python gearbeitet wird, insbesondere für Einzelzellgenomikanalysen, die Verwaltung von experimentellen Messungen mit Metadaten oder die Verarbeitung von groß angelegten biologischen Datensätzen. Verwenden Sie sie, wenn Aufgaben AnnData-Objekte, h5ad-Dateien, Einzelzell-RNA-seq-Daten oder die Integration mit Scanpy/Scverse-Tools betreffen.
Diese Fähigkeit sollte für Zeitreihenmaschinelles Lernen einschließlich Klassifikation, Regression, Clustering, Prognose, Anomalieerkennung, Segmentierung und Ähnlichkeitssuche verwendet werden. Verwenden Sie sie bei der Arbeit mit zeitlichen Daten, sequentiellen Mustern oder zeitindexierten Beobachtungen, die spezialisierte Algorithmen über standardisierte ML-Ansätze hinaus erfordern. Besonders geeignet für die Analyse univariate und multivariate Zeitreihen mit scikit-learn-kompatiblen APIs.
Claude Code-Agent-Erzeugungssystem, das benutzerdefinierte Agenten und Sub-Agenten mit erweiterter YAML-Frontmatter, Tools-Zugriffsmustern und MCP-Integrationsunterstützung gemäß bewährten Produktionsmustern erstellt